Beyin Haritalama Görüntülerden Ağlara Doç. Dr. Burak Acar Boğaziçi Üniversitesi, Elektrik-Elektronik Müh. Bölümü, VAVlab, Bebek, İstanbul acarbu@boun.edu.tr
Sunum Planı Ağ Nedir? İşlevsel ve Yapısal Ağ Olarak Beyin Ağ Düğümleri Yapısal Ağ (snet) Bağları İhtiyaçlar Bağ Belirleme Alternatifleri İşlevsel Ağ (fnet) Bağları İhtiyaçlar Önşleme Bağ Belirleme Alternatifleri Sonuç BRAINet projesi
Ağ Nedir? Leonhard Euler 1736 da Konigsberg in 7 Köprüsü problemi ile ağ teorisinin temellerini atmıştır. Konigsberg in 7 Köprüsü Problemi: Konigsberg in 4 bölgesine, her köprüden sadece birer kere geçerek ve köprülerden karşıya geçmeden geri dönülmeksizin, erişmek mümkün müdür? Düğümler Görseller: Seven Bridges of Konigsberg, Wikipedia Bağlar
İşlevsel ve Yapısal Bir Ağ Olarak Beyin *Efektif Ağlar hariç Beynin ağ yapısı 100 yılı aşkın süredir bilinmektedir. [His, 1888; Ramon y Cajal, 1892] Yapısal Ağ (snet) Histoloji (in-vitro, dyes) ve/ya medikal görüntüleme (in-vivo, dmri) ile gözlenebilen nöro-anatomik bölgeler arası eşleşmeler İşlevsel Ağ (fnet) EEG / MEG / fmri ile gözlenebilen, nöro-anatomik bölgeler arası işlevsel (zamansal) korelasyonlar Ağ Düğümleri anatomik ROI veya ICA gibi veri analizine dayalı (modal) şekilde belirlenen kortikal / sub-kortikal gri madde bölgeleridir Ağ Bağları önem/kapasite değerleri atanmış veya ikili (0/1) değerli, genellikle yönsüz* ilişkilerdir Video: www.spring.org.uk
Ağ Düğümleri Beyin Bölütleme Ağ düğümlerinin istenen özellikleri: İşlevsel ve yapısal olarak homojen (intra-nodal homogeneity) İşlevsel olarak farklı bölgeleri kapsayan (inter-nodal heterogeneity) Anatomik lokasyona bağımlı (spatial embedding) Dinamik / Farklı ölçeklerde değişken (dynamicity) Yaygın olarak kullanılan yaklaşımlar: Anatomik parselasyon (ör. Freesurfer) Düşük çözünürlük, Zayıf geçerlilik, Yüksek güvenilirlik Rastgele sub-parselasyon Veriye dayalı öbekleme fmri da ICA analizi, fmri / dmri parametrelerinde öbekleme, Her vokselin ayrı bir düğüm olarak kullanılması Yüksek çözünürlük, hatalı kısa mesafe bağlar Genel kabul gören jenerik bir metod yoktur, Araştırma problemine göre tasarlanmalıdır. Görseller: Hagmann et al. PLoS Biol. 6, e159, 2008
Yapısal Ağ (snet) Bağları Medikal görüntülere dayalı snet bağları kortikal / sub-kortikal bölgeleri bağlayan beyaz madde yolaklarını ifade eder. Bu bağlar, dmri traktografi Subjeler arası morfometrik parametre kovaryansları (ör. GM hacmi) kullanılarak oluşturulur. snet bağlarının Nedensellik ilişkilerini göstermesi / Yönlü olması (directedness) X Göreceli önem/kapasite göstermeleri (weighted) O Excitatory, inhibitory, modularity tiplerine duyarlı olmaları (heterogeneity) X Uzun zaman aralıklarında değişken (slow dynamicity) O Uzamsal lokasyona bağlı (spatial embedding) O Görseller: Fornito 2013, Neuroimage 80, 2013
Görseller: https://braintalks.wordpress.com/2011/12/04/10-maps-of-the-mind/ Yapısal Ağ (snet) Bağları dmri (Difüzyon MRG) görüntülerine dayalı olarak nöro-anatomik bölgeler arası yolakların modellenmesine traktografi denir. Yolak modellenmesinde kullanılan tek in-vivo metoddur. Yolaklar aslen myelin kaplı sinir aksonlarında, akson boyunca hareket ettiği varsayılan su moleküllerinin 3B hareket modeline bağımlıdır. snet bağ değerleri o Traktografi parametrelerine göre yüksek değişkenlik gösteren (güvenilir fiziksel karşılığı bulunmayan) iki bölge arasındaki yolak sayısına, o Yerel değişkenlikleri es geçen yolak boyunca ölçülen dmri parametrelerine (ör. FA), o Olasılıksal traktografide yolak olasılıklarına, o Myelin içeriğini ölçen MTI (Magnetization Transfer Imaging) verilerine [van de Heuvel 2010] o Akson çapına ve yoğunluğuna [Alexander 2010] dayandırılır.
Görseller: Tristan-Vega et al. Neuroimage 47, 2009 Yapısal Ağ (snet) Bağları Traktografi Yaklaşımları: Yerel Global Tek Yönlü Difüzyon Modelleri DTI ÇokYönlü Difüzyon Modelleri QBI, DOT, OPDT, CSD, GDTI, MAP-MRI Deterministik Olasılıksal Deterministik Olasılıksal DTI
Yapısal Ağ (snet) Bağları Deterministik Yerel Traktografi vs Tek/Çok Yönlü Difüzyon Modelleri f(s) f(s) f(s) DTI r(s): Fiber ODF/MAP-MRI
Yapısal Ağ (snet) Bağları Traktografi Yaklaşımları: Tek Yönlü Difüzyon Modelleri DTI ÇokYönlü Difüzyon Modelleri QBI, DOT, OPDT, CSD, GDTI, MAP-MRI Deterministik Olasılıksal Deterministik Olasılıksal Yerel DTI Streamline Tensor Deflection PiCO PROBTRACK CSD Streamline ifod PROBTRACKX Global DTI Graph Tractog. ConTrack Görseller: Bastiani et al., Neuroimage, 62, 2012 CSD Multi-Graph Trac.
Yapısal Ağ (snet) Bağları Yerel Global Tek Yönlü Difüzyon Modelleri DTI ÇokYönlü Difüzyon Modelleri QBI, DOT, OPDT, CSD, GDTI, MAP-MRI Deterministik Olasılıksal Deterministik Olasılıksal Düşük SNR duyarlılığı Uzun fiberlerde artış Yüksek yoğunluk ve efficiency Zayıf küçük dünya özelliği Yüksek işlem yükü Eşik belirlemedeki belirsizlikler Düşen olasılık eşiği ile Uzun fiber sayısında artış Yüksek yoğunluk ve efficiency Zayıf küçük dünya özelliği Artan SNR duyarlılığı Kesişen/Öpüşen fiberlerin ayrılabilmesi Uzun fiber sayısında artış, ör. inter-hemisphere bağ artışı Yüksek yoğunluk & efficiency Zayıf küçük-dünya özelliği Yoldemir B., et al. IEEE TMI, 31, 2012 ; Bastiani M, et al. Neuroimage, 62, 2012
Yapısal Ağ (snet) Bağları Görseller: Bastiani et al., Neuroimage, 62, 2012 TSDC= K {N }{M } N M : Tract Specific Density Coefficient. Anatomik olarak bağlı oldukları bilinen M ve N bölgeleri arasında bulunan yolak yoğunluğu / yüzdesi SLFII : Superior longitudinal fasciculus ILF: Inferior longitudinal fasciculus CC: Corpus Collosum FP: False Positives
İşlevsel Ağ (fnet) Bağları Medikal görüntülemeye dayalı fnet bağları fmri BOLD (Blood Oxygenation Level Dependent) sinyali ile ölçülen kortikal / sub-kortikal bölgeler arası aktivasyon korelasyonlarına dayanır fnet bağlarının O Nedensellik ilişkilerini göstermesi (directedness) O Göreceli önem/kapasite göstermeleri (weighted) X Excitatory, inhibitory, modularity tiplerine duyarlı olmaları (heterogeneity) O Uzun zaman aralıklarında değişken (slow dynamicity) O Uzamsal lokasyona bağlı (spatial embedding) Görseller: Fornito et al., Neuroimage, 80, 2013
İşlevsel Ağ (fnet) Bağları Realignment Slice Timing Censoring Co-registration Nuisance Regression Parcellation Spatial Smoothing (LPF) Correlation Thresholding fmri verilerinden işlevsel ağ oluşturmada kullanılan BOLD sinyallerinden işlevsel bağlantı değerlerinin sağlıklı olarak bulunabilmesi için çok aşamalı ön sinyal işleme aşamalarının gerçekleştirilmesi gerekmektedir.
İşlevsel Ağ (fnet) Bağları Realignment Slice Timing Realignment : fmri-fmri Çakıştırma Transformasyon: 3-6DoF Rigid - Intra-subj., 9-12DoF Affine - Eddy-Cur. Cor., 10 6 DoF - Inter-subj. Kriter: LS & NC Intra-modal, CR & MI & NMI & BBR Inter-modal İnterpolasyon: Nearest Neighbour, Trilinear, Spline, Sinc, k-space Slice Timing : Kesit Zamanlama Sinc interpolasyonu Tek bir fmri hacminde axial kesitler arası zaman farkı bulunur. Kesit Zaman Her bir fmri hacmi içindeki bütün kesitleri eşzamanlı kılmak üzere yapılan interpolasyondur. http://www.brainvoyager.com ; FSL Lecture Slides Power JD, et al. Neuroimage,105, 2015; Strother S.C. et al., IEEE EMB Magazine, 25, 2006;
İşlevsel Ağ (fnet) Bağları Censoring Co-registration Spatial Smoothing (LPF) Censoring : fmri sansürleme Düşük kaliteli (ör. yüksek DVARS, FD) fmri çekimlerinin sansürlenmesi ve yerlerinin zaman ekseninde interpolasyonu (doldurulması) Co-Registration : fmri -T1(+ Parselasyon) Çakıştırma 6 DoF transformasyon + MI/NMI kriter + Trilinear interpolasyon + Field-map unwarp Filtering: Uzam LPF Uzam LPF (Alçak Geçiren Filtre): Gauss (1-2 voksel FWHM), Wavelet filtreleme, Power JD, et al. Neuroimage, 105, 2015 ; Strother S.C. et al., IEEE EMB Magazine, 25, 2006
İşlevsel Ağ (fnet) Bağları RegressionèBPF Parcellation Factorization: ICA RegressionèBPF Correlation Regression + BPF: İstenmeyen sinyallerin (nuisance) giderilmesi Ø Hareket (Realignment) modellerine dayalı regresyon beklenen sonucu vermemektedir. Ø fmri sinyallerine dayalı regresyon: ANATICOR: Gri madde voksellerinin komşuluğundaki beyaz maddeden yerel nuisance sinyalleri modellenip çıkarılmaktadır. CompCor: Beyaz madde, CSF gibi gri madde dışı bölgelerin global PCA modeli kullanılarak global nuisance sinyalleri modellenip çıkarılmaktadır. ICA: Tüm beyinden toplanan sinyallerinin bir arada işlenmesi ile uzamsal olarak bağımsız sinyal bileşenlerini bulmaya yönelik bir yaklaşımdır. Bu bileşenlerin nöral ve nuisance sinyallerini ayırması beklenir. ICA nın global nuisance sinyallerini belirlemesi zordur. Wavelet: Dalgacık dönüşümüyle yüksek genlikli bileşenleri ayırmayı hedefleyen oldukça yeni ve spekülatif bir yaklaşımdır. Global Regresyon: Deneysel olarak başarılı sonuçlar raporlanmış olmakla birlikte simulasyonlara dayalı tartışmalar da devam etmektedir. Ø Zaman HPF/BPF (Yüksek/Aralık Geçiren Filtre): 0.01 Hz 0.1 Hz, Konsensus yok. Power JD, et al. Neuroimage, 105, 2015 ; Strother S.C. et al., IEEE EMB Magazine, 25, 2006
Smith et al., Neuroimage, 54, 2011 Power JD, et al. Neuroimage, 105, 2015 ; Strother S.C. et al., IEEE EMB Magazine, 25, 2006 Beckmann CF, Philos Trans R Soc Lond B Biol Sci, 360, 2005; Marrelec et al., Neuroimage, 32, 2006 İşlevsel Ağ (fnet) Bağları RegressionèBPF Parcellation Factorization: ICA RegressionèBPF Correlation Factorization : ICA bileşenlerinin uzamsal dağılımı # α 11! α & % 1N ( [! ] pxn = A pxq % " # " ( % $ α q1! α ( qn ' BOLD Sinyalleri ICA Bileşenleri ICA Mod Katsayıları Z-stat üzerinden aktivasyon haritaları
İşlevsel Ağ (fnet) Bağları RegressionèBPF Factorization: ICA Correlation Parcellation RegressionèBPF Durağan-durum fnet bağlarının önem/kapasite değerleri fmri ile ölçülen BOLD sinyallerinin korelasyonu kullanılarak atanır. Kullanılan korelasyon tanımlarının başlıcaları, o Pearson (Full) correlation: o Partial corr. [Marrelec 2006]: İlgili düğümler dışındaki BOLD sinyal bileşenlerinin temizlendiği normalize korelasyon o Mutual Information [Zhou 2009]: o Coherence [Grinsted 2004, Chang & Glover 2010]: Güç spektrumu korelasyonu o Patel s K & T [Patel 2006]: Çiftli şartlı olasılık tanımları P(A B) vs P(B A) o Granger causality [Granger 1969]: Çok değişkenli AR modelleme Korelasyonlar eşiklenerek ikili (0/1) bağ değerleri bulunmaktadır Smith et al., Neuroimage, 54, 2011
İşlevsel Ağ (fnet) Bağları Görseller: Smith et al., Neuroimage, 54, 2011 Doğru bağların belirlenme yetkinliği Bağ yönlerinin belirlenme yetkinliği Bayes Net
Sonuç Beyin ilişki ve işbirliği içinde çalışan farklı birimlerden oluşan bir ağ olarak modellenebilir. İşlevsel ağlar farklı bölgelerin ilişkisini tanımlarken, yapısal ağlar fiziksel nöron bağlantılarını makro boyutta modeller. İşlevsel bağlantılar da yapısal bağlantılar da MRI teknikleri ile endirekt yolla in-vivo görüntülenebilir. Beynin ağ modelleri ortak bazı özellikler gösterse de, her ağ, seçilen MRI tekniği ve modeli, Sinyal işleme sürecine dahil edilen aşamalar, Her sinyal işleme aşamasında seçilen parametrelerle değişiklik gösterir. Beyin ağ modellemesi için genel geçer doğru bir yöntem bulunmamaktadır ama yapılan seçimlerin bilinçli yapılması, gerekçelendirilmesi ve raporlanması şarttır.
B-AĞ (BRAINet) Projesi TÜBİTAK 1003 Programı, Proje # 114E053 - Kasım 2014 Kasım 2016 Amaç: Bütünleşik snet-fnet (cnet) modelleme ile Alzheimer (vd. Nöropsikolojik hastalıklarda) tanı, sınıflama ve öngörü yöntemleri geliştirilmesi Yöntemler: 1. Çok yönlü yeni dmri görüntüleme (ODF, MAP-MRI) uygulamaları, 2. Deterministik-Olasılıksal hibrid traktografi (SMT) uygulamaları, 3. fmri optimal veri işleme protokolü tanımlanması 4. cnetmodelleme 5. Konvansiyonel ve ağırlıklandırılmış ağlara dayalı yeni snet, fnet, cnet karakterizasyon parametreleri 6. Yeni ağ parametreleri ile tanı, sınıflama, öngörü algoritmaları Ekip: B-AĞ projesi TÜBİTAK 1003 Prog.(114E053) tarafından desteklenmektedir
Katılımınız İçin Teşekkürler Sunumun kaynakçasına www.vavlab.ee.boun.edu.tr adresindeki BRAINet proje sayfasından erişilebilir DAVET 17-21 Ekim 2016
Kaynakça Sporns O, Structure and function of complex brain networks, Dialogues Clin. Neuroscience (2013 Sep 1) Fornito A, et al, Graph analysis of the human connectome: promise, progress, and pitfalls, Neuroimage (2013 Oct 15) 80: 426-44 Kaiser Marcus, A tutorial in connectome analysis: Topological and spatial features of brain networks. NeuroImage (2011 Jan 1) 57: 892-907 O'Donnell LJ, et al, Fiber clustering versus the parcellation-based connectome. Neuroimage (2013 Oct 15) 80: 283-9 Friston Karl J., et al, Mapping the Structural Core of Human Cerebral Cortex. PLoS Biology (2008 Jan 1) 6: e159 Bastiani M, et al, Human cortical connectome reconstruction from diffusion weighted MRI: The effect of tractography algorithm. Neuroimage (2012 Jun 12) 62: 1732-1749 Smith SM, et al, Network modelling methods for FMRI. Neuroimage (2011 Jan 15) 54: 875-91 Newman ME, Modularity and community structure in networks. Proc Natl Acad Sci U S A (2006 Jun 6) 103: 8577-82 Power JD, et al, Recent progress and outstanding issues in motion correction in resting state fmri. Neuroimage (2015 Jan 15) 105: 536-51 Zhu Dajiang, et al, Fusing DTI and FMRI Data: A Survey of Methods and Applications. NeuroImage (2013 Jan 1) Telesford QK, et al, The brain as a complex system: using network science as a tool for understanding the brain. Brain Connect (2011 Jan 1) 1: 295-308